Demir Olmayan Metal Fiyatlarının Tahmini İçin Derin Öğrenme Modeli Karmaşıklığının Karşılaştırmalı Değerlendirilmesi

LiangHong Li; TaiHua Guan; LongXuan Li; Jin Zeng

doi:10.3791/71032

Bu içeriği görüntülemek için JoVE aboneliğiniz gereklidir. Giriş yapın veya ücretsiz denemenizi bugün başlatın.

Araştırma makalesi

Demir Olmayan Metal Fiyatlarının Tahmini İçin Derin Öğrenme Modeli Karmaşıklığının Karşılaştırmalı Değerlendirilmesi

88 görüntüleme

⸱

DOI:

10.3791/71032

⸱

5 Haziran 2026

LiangHong Li¹ , TaiHua Guan² , LongXuan Li³ , Jin Zeng⁴

¹The Institute for Sustainable Development, Macau University of Science and Technology, ²Faculty of Innovation Engineering, Macau University of Science and Technology, ³School of Computer Science, Beijing Institute of Technology, ⁴Business School, Guangzhou College of Technology and Business

Bu makalede

Özet

Metal fiyat tahmini için 13 mimarinin sistematik yeniden değerlendirilmesi, basit bir kapalı tekrarlayan birimin daha karmaşık hibrit modellerden daha iyi performans gösterdiğini göstermektedir. Bakır üzerinde eğitilen ve alüminyum ile çinko üzerinde test edilen modeller, tutarlı olarak yüksek tahmin doğruluğu göstermekte bu da emtia fiyat tahmininde kısa yaklaşımların kullanımını destekler.

Özet

Bu çalışma, artan mimari karmaşıklığın derin öğrenme tabanlı finansal modellerde tahmin doğruluğunu artırıp artırmadığını inceliyor. Ocak 2015'ten Eylül 2025'e kadar olan Şanghay Metaller Piyasası'ndan bakır (Cu), alüminyum (Al) ve çinko (Zn) günlük spot fiyat verileri kullanılarak, z-puan normalizasyonu ve kaydırma pencere dizisi yapısını (pencere uzunluğu = 30, tahmin ufku = 1) içeren standart bir ön işleme boru hattı uygulandı. Toplamda on sekiz model sistematik olarak değerlendirildi; bunlar arasında kapalı tekrarlayan birimler (GRU'lar), uzun kısa süreli bellek (LSTM) ağları, konvolüsyon sinir ağı–iki yönlü LSTM–dikkat hibritleri (CNN–BiLSTM–Dikkat) ve geleneksel ekonometrik modeller (otoregressiv entegre hareketli ortalama ve genelleştirilmiş otoregresif koşullu heteroskedastisite), makine öğrenimi modelleri (rastgele orman ve aşırı gradyan artırma) ve Transformer tabanlı bir model yer aldı. Tüm derin öğrenme modelleri yalnızca Cu verileri üzerine eğitildi ve genellenebilirliği değerlendirmek için bağımsız Al ve Zn veri setlerinde değerlendirildi. Sonuçlar, standart GRU modelinin Cu test setinde en düşük hata oranlarını (ortalama mutlak hata [MAE] = 1032.85; kök ortalama kare hatası = 1344.30) ve en yüksek açıklama gücünü (belirleme katsayısı [R²] = 0.907) elde ettiğini, aynı zamanda Al (MAE = 167.51, R² = 0.918) ve Zn (MAE = 254.23, R² ) üzerinde de güçlü performans gösterdiğini gösteriyor = 0.952). Ablasyon analizi, dikkat mekanizmaları, çift yönlü katmanlar ve konvolüsyon modüller gibi mimari bileşenlerin eklenmesinin öngörü doğruluğunu azalttığını gösterir. Diebold–Mariano testi kullanılarak yapılan istatistiksel testler, çoğu performans farkının anlamlı olduğunu gösterir (p < 0.05). Bu bulgular, gereksiz model karmaşıklığının sınırlamalarını ortaya koymakta ve emtia fiyat tahmini için daha basit, sağlam yaklaşımların kullanılmasını desteklemektedir.

Giriş

Bakır (Cu), alüminyum (Al) ve çinko (Zn) gibi küresel demir metalleri pazarı—dünya ekonomisinin temel bir dönüm noktasıdır. Bu metaller, inşaat, üretim, ulaşım ve hızla genişleyen yeşil enerji^altyapısı ^1,2 için temel unsurlardır. Sonuç olarak, fiyat dinamikleri, makroekonomik güçlerin, jeopolitik gerilimlerin, tedarik zinciri kesintilerinin, spekülatif finansal faaliyetlerin ve enerji piyasalarına bağlantıların karmaşık etkileşimiyle yönlendirilen yüksek volatiliteyle^{karakterize edilir} ^3,4. Doğru tahmin sadece akademik....